فهرست نشریات علمی دسترسی آزاد ایران

شیار شدگی یکی از خرابی‌های مهم عملکردی در روسازی‌های آسفالتی است. توسعه مدل‌های پیش‌بینی به منظور جلوگیری و کنترل آسیب‌های ناشی از این خرابی در سیستم مدیریت روسازی ضروری است. در این مطالعه با کمک الگوریتم‌ شبکه عصبی مصنوعی، مدل‌هایی برای پیش‌بینی مقدار خرابی شیار شدگی با استفاده از پایگاه داده برنامه بلند مدت روسازی (LTPP) توسعه داده شده است. این مدل‌ها برای اقلیم‌های آب و هوایی سرد و مرطوب، گرم و خشک و سرد و خشک ارائه شده‌اند. از آنجا که دقت مناسب در عین سادگی جزء مهم‌ترین ویژگی­های یک مدل پیش­بینی به شمار می­رود، با استفاده از روش بهینه­سازی چند‌هدفه NSGA ІІ-MLP متغیرهایی که میزان اهمیت بیشتری در پیش‌بینی خرابی شیار شدگی دارند، مشخص و به عنوان ورودی مدل در نظر گرفته شدند. سپس با استفاده از متغیر‌های ترافیکی، آب و هوایی و سازه‌ای انتخاب شده توسط الگو ریتم ژنتیک، مدل‌های پیش‌بینی خرابی شیار شدگی ساخته شده‌اند. مقدار ضریب تعیین و میانگین مربعات خطا برای مدل ساخته شده در مناطق سرد و مرطوب و مدل مشترک مناطق گرم و خشک و سرد و خشک به ترتیب برابر 0/96، 2/05، 0/94 و3/45 می‌باشد. همچنین با انجام تحلیل حساسیت، متغیر‌هایی که بیشترین اثرگذاری را بر خرابی شیار شدگی در اقلیم سرد و مرطوب دارند، به ترتیب اهمیت سن و اختلاف دمای حداکثر و حداقل روزانه با تاثیر مستقیم و ضخامت روسازی با تاثیر معکوس مشخص گردید. همچنین در اقلیم گرم و سرد خشک به ترتیب متغیر‌های بار ترافیکی و نفوذ‌پذیری قیر با تاثیر مستقیم و ضخامت روسازی با تاثیر معکوس بر خرابی از بیش‌ترین اهمیت برخورداراند.